深度学习重磅来袭，直击数据科学最前沿！

深度学习 【第三期】

李伟， 美国纽约城市大学博士

研究领域包括深度学习，计算机视觉，人脸计算以及人机交互，即将毕业加入美国顶级云计算平台人工智能研究组。在CVPR，ECCV等顶级会议上发表了多篇学术文章，同时他还是WACV，ACCV，ECCV等重要视觉会议以及MVA，CVIU等期刊的审稿人。

本次的深度学习课程主要包括三大部分：

1） 深度学习核心原理。了解深度学习运行的最核心数学原理，从而对后续的知识点扩展，模型设计与优化技能打下基础。

2） 深度学习知识点连接。会涵盖主流的深度学习研究工程应用中碰到的大部分知识点，与大部分学习资料孤立进行知识点介绍不同，会结合主讲人自身总结找到所有知识点之间的联系，便于系统掌握。

3） 介绍不同知识点的代表应用。结合所学的原理以及知识点，介绍比较重要的图像和语言方面的应用，如 增强学习，迁移学习，GAN 等， 方便学员针对自身兴趣的目标进行强化训练。

1.  想了解和学习深度学习的学习者

2.  想学习深度学习的相关从业人员

3.  想转行从事深度的学习者

通过本课程的学习，学员将会收获：

1.  帮助学员系统性的掌握深度学习的基本原理，以及从基本概念到各个先进模型的转化思路

2.  了解研究过程中定义问题设计模型的思路

3.  培养学员面对工程及学术问题的思考解决能力

4.  快速积累深度学习项目经验

2017年3月4日开课

在线直播 ，共 10 次

每周 2 次（周六、日晚上20:00-22:00）

直播后提供录制 回放 视频，可在线 反复 观看，有效期 1 年

第一课 深度学习总体介绍

1. 神经网络：传统到现代

2. 深度学习应用特点

3. 深度学习发展方向

4. 深度学习框架比较：用Tensorflow进行课程学习

第 2 课 传统神经网络

1. 线性回归

2. 非线性激励函数

3. loss 函数，常见问题：过拟合，正则化，dropout

实例： 传统神经网络络实现

第 3 课 反向反馈：深度学习模型优化基础

1. SGD 梯度下降介绍

2. 神经网络的梯度优化

3. 神经网络训练

实例： 反向梯度优化对比

第 4 课 卷积神经网络

1. 卷积核以及卷积层

2. AlexNet 最早的现代神经网络

3. VGG，GoogleNet,，ResNet. 近期的高级网络

实例： 利用已有模型进行物体分类／特征提取

第 5 课 迁移学习

1. 理论分析

2. 迁移模型&原始训练模型

3. 如何设计新的的网络

实例： 表情识别／人脸识别／动物识别

第 6 课 与时域信息相关的深度学习

1. RNN

2. LSTM

3. 图片标题生成

4. 视频处理

实例： LSTM用于图片标题生成

第 7 课 自然语言处理